پیش بینی قیمت مسکن با استفاده از شبکه های حافظه کوتاه مدت (LSTM)

پیش بینی قیمت مسکن به دلیل نوسانات شدید اقتصادی و شوکهای قیمتی در ایران به چالشی مهم برای سرمایه گذاران و سیاست گذاران تبدیل شده است. در این پژوهش از شبکه های حافظه کوتاه مدت (LSTM) برای پیش بینی قیمت مسکن با استفاده از داده های تاریخی از سال ۱۳۷۲ تا ۱۴۰۰ استفاده شده است. روش پژوهش مبتنی بر معماری Stacked-LSTM برای مدل سازی سری های زمانی تک متغیره و چندمتغیره بوده است. تحلیل داده های رسمی بانک مرکزی و مرکز آمار ایران نشان داد که قیمت طلا همبستگی ۹۹٫۱۸ درصد نرخ ارز (۹۸٫۷۸ درصد)، شاخص بهای کالا و خدمات (۹۸٫۷۷ درصد) و حجم نقدینگی (۹۷٫۶۸ درصد) بیشترین تاثیر را بر قیمت مسکن دارند. مدل LSTM در مقایسه با روش های سنتی مانند ARIMA و رگرسیون خطی، با خطای MSE معادل ۰٫۰۸۹ در پیش بینی های کوتاه مدت و MAE معادل ۰٫۰۷۶ در پیش بینی های میان مدت عملکرد بهتری نشان داد. نتایج پژوهش نشان می دهد که مدل Stacked-LSTM چند متغیره می تواند ابزار موثری برای پیش بینی قیمت مسکن در شرایط اقتصادی پیچیده ایران باشد.

کلیدواژه ها:

شبکه حافظه کوتاه مدت (LSTM) ، پیش بینی قیمت ، مسکن ، مدیریت بازار مسکن ، معماری stacked-LSTM